如何在 R 中使用正则表达式从文本字符串中提取 Twitter 用户名？
我试过了
library(stringr)
theString <- '@foobar Foobar! and @foo (@bar) but not foo@bar.com'
str_extract_all(string=theString,pattern='(?:^|(?:[^-a-zA-Z0-9_]))@([A-Za-z]+[A-Za-z0-9_]+)')
但我最终得到@foobar、@foo 和(@bar，其中包含不需要的括号。
我怎样才能只得到@foobar、@foo 和@bar 作为输出？
【问题讨论】：
这是一种适用于R 的方法：
theString <- '@foobar Foobar! and @foo (@bar) but not foo@bar.com'
theString1 <- unlist(strsplit(theString, " "))
regex <- "(^|[^@\\w])@(\\w{1,15})\\b"
idx <- grep(regex, theString1, perl = T)
theString1[idx]
[1] "@foobar" "@foo" "(@bar)"
如果您想在R 中使用@Jerry 的答案：
regex <- "@([A-Za-z]+[A-Za-z0-9_]+)(?![A-Za-z0-9_]*\\.)"
idx <- grep(regex, theString1, perl = T)
theString1[idx]
[1] "@foobar" "@foo" "(@bar)"
但是，这两种方法都包含您不想要的括号。
更新这将使您从头到尾不带括号或任何其他类型的标点符号（下划线除外，因为它们允许在用户名中使用）
theString <- '@foobar Foobar! and @fo_o (@bar) but not foo@bar.com'
theString1 <- unlist(strsplit(theString, " "))
regex1 <- "(^|[^@\\w])@(\\w{1,15})\\b" # get strings with @
regex2 <- "[^[:alnum:]@_]" # remove all punctuation except _ and @
users <- gsub(regex2, "", theString1[grep(regex1, theString1, perl = T)])
users
[1] "@foobar" "@fo_o" "@bar"
【讨论】：
@ 开始的匹配不应该用它来抓取(。 =/而且我很沮丧，我无法获得测试环境>_
R 有一些使用正则表达式的独特细节... 在网络上测试R 的一些选项在这里stackoverflow.com/a/13716528/1036500 Ideone 是我最喜欢这样的快速操作
stringr... 否则，我可以对其进行测试。感谢您的链接！
R 并且不安装软件包或进行任何类型的网络连接。
@John@Ben。您的解决方案不起作用。你知道如何让它在这种情况下工作吗？
@[a-zA-Z0-9_]{0,15}
地点：
@ 与字符 @ 字面匹配（区分大小写）。
[a-zA-Z0-15] 匹配列表中存在的单个字符
{0,15} 量词匹配 0 到 15 次，次数为
可能，根据需要回馈
从混合数据集中选择 twitter 用户名效果很好。
【讨论】：
'@foobar Foobar! and @foo (@bar) but not foo@bar.com'?
尝试使用否定的lookbehind，以免在匹配中消耗字符：
(?:^|(?<![-a-zA-Z0-9_]))@([A-Za-z]+[A-Za-z0-9_]+)
^^^
编辑：由于看起来后向在 R 中不起作用（我在这里的某个地方发现后向在 R 上起作用，但显然不是......），试试这个：
@([A-Za-z]+[A-Za-z0-9_]+)(?![A-Za-z0-9_]*\\.)
编辑：双转义点
EDITv3...：尝试开启 PCRE：
str_extract_all(string=theString,perl("(?:^|(?<![-a-zA-Z0-9_]))@([A-Za-z]+[A-Za-z0-9_]+)")
【讨论】：
?<! 更改为 ?:! 才能使其正常工作。它获取第一个用户名，但没有其他用户名，这就是函数 str_extract_all() 应该做的事情。
< 而不是: 时，R 给出Error in gregexpr("(?:^|(?<![-a-zA-Z0-9_]))@([A-Za-z]+[A-Za-z0-9_]+)", : invalid regular expression '(?:^|(?<![-a-zA-Z0-9_]))@([A-Za-z]+[A-Za-z0-9_]+)', reason 'Invalid regexp'。
@([A-Za-z]+[A-Za-z0-9_]+)(?![A-Za-z0-9_]*\.)。这将适用于您的示例，并检查在 bar 之后出现的 . 是否为最后一个 @。
\.，我收到消息：Error: '\.' is an unrecognized escape in character string starting "@([A-Za-z]+[A-Za-z0-9_]+)(?![A-Za-z0-9_]*\."
perl=TRUE。